基于马尔可夫链的重型车辆坡道爬行行为识别方法技术

本发明专利技术属于行为识别领域，具体涉及一种基于马尔可夫链的重型车辆坡道爬行行为识别方法。本发明专利技术以大规模重型商用车的GNSS行驶数据为数据源，通过时空特征提取与模式学习建立车辆行为模型，来辨识和预测重型商用车的坡道爬行行为。首先对数据进行时间分段，提取同一地理位置下车辆速度为零的时间连续样本，运用卡尔曼滤波优化样本数据精度，进一步提升样本质量。然后采用Markov Chain Monte Carlo模型构造车辆高度差的特征分布，并使用Metropolis Hastings算法进行参数估计，确定重型商用车的爬行行为特征。最后，建立基于逻辑回归的车辆行为模型HVMove。达到有效地辨识重型商用车的坡道行驶状态，以及准确地预测其坡道行驶状态的目的。

Recognition of Heavy Vehicle Slope Crawling Behavior Based on Markov Chain

【技术实现步骤摘要】
基于马尔可夫链的重型车辆坡道爬行行为识别方法
本专利技术属于行为识别领域，具体涉及一种基于马尔可夫链的重型车辆坡道爬行行为识别方法。
技术介绍
世界范围内的快速经济增长使公路货运大幅度增加，很大一部分总运输成本是由相应的重型车辆的高使用率所驱动的。因此，准确识别重型车辆在道路上的运动和行为，是减少交通事故、评价环境影响、降低油耗、优化交通部门的首要基础。重型车辆在道路上的跟踪与行为识别是发展自动化重型车辆和先进驾驶辅助系统的关键，通过识别重型车辆的运动和行为，可以了解道路坡度上车辆的动态特性，实现重型车运动状态的精确识别。其中基于轨迹跟踪得到的车辆时空信息和行为分析得到的车辆运动信息，可以预测可能的驾驶风险，生成安全运动，避免道路事故的发生。在重型车辆的轨迹跟踪方面，以往研究中的数据采集多采用以下方法：1、视频手段采集方法，该方法主要针对外部车辆行为的识别，容易受到自然坏境、多车跟踪实时性以及车辆振动冲击等客观因素的影响，难以获取位于检测盲区的车辆轨迹数据；2、基于非视频手段的采集方法，主要通过多传感器获取车辆行为数据，采用的算法完全依赖于车载传感器的使用，如摄像机、激光雷达和雷达，而且该方法仅适用于对单个车辆的行为识别，此外，由于信号噪声、车辆行驶区域视野狭窄、障碍物突发性等原因，重型车辆的跟踪数据的采集受到进一步限制。在重型车辆的爬行行为识别方面，现有的研究方法有：1、视频数据分析方法，即通过对视频手段得到的数据进行融合分析处理，从实际轨迹数据的时间信息中提取和聚类公共状态序列，从而识别不同的车辆行为，然而，该方法是基于离散事件的，数据采集稀疏不充分，且因为没有准确考虑重型车辆的运动升级和降级特点以及时间复杂度高的关系，使得该方法执行效果很差，也限制了重型车辆行为识别的性能；2、深度学习方法，将更简单的车辆行为识别模型组合在一起，将数据从一层传递到另一层以构建更复杂的模型，通过训练大量数据自动得出最终的行为识别模型，来推断尚未建模的其他数据，虽然深度学习技术能够提高车辆行为识别的准确性，但缺乏通用性，其应用受到数据稀疏性的限制，无法验证模型的准确度，例如，当轨迹数据不完整时，车辆的完整驾驶行为是无法预测的。此外，深度学习方法的识别精度受车辆行驶公里数的影响，这使得该方法在长距离重载车辆运动识别任务中的应用存在问题。
技术实现思路
针对现有技术中存在的重型商用车辆在轨迹与行为上的特殊性、其行驶行为识别精度受到车辆行驶里程、时间复杂度以及普适性等问题的影响，会造成其识别准确率降低的问题，本专利技术提供了一种基于马尔科夫链的重型车坡道爬行行为识别方法，采用以下技术方案实现：基于马尔可夫链的重型车辆坡道爬行行为识别方法，包括如下步骤：步骤1：获取重型车辆的行驶数据，对行驶数据进行数据清洗，获得样本行驶数据，所述样本行驶数据包括位置数据、高度观测数据、车速数据与时间数据；步骤2：对步骤1得到的样本行驶数据进行真实地图匹配与日期分段，并将分段后的样本行驶数据划分为训练集和测试集，建立高度预测模型，将训练集的高度观测数据输入高度预测模型，得到训练集的高度数据的最优预测值；步骤3：获取步骤2得到训练集的高度数据的最优预测值与高度观测数据之间的误差阈值，根据误差阈值标记训练集的高度数据的最优预测值获得基准数据，将基准数据与步骤2得到的训练集的高度数据的最优预测值进行匹配，获得标高轨迹；步骤4：对步骤3获得的标高轨迹进行特征提取，建立基于马尔科夫链的重型车辆爬坡行为模型，将步骤2获得的测试集的样本行驶数据输入重型车辆爬坡行为模型，识别出测试集中重型车辆的爬行行为。进一步的，步骤1中的数据清洗包括：(1)对于数据出发时间、接收时间以及经纬度其中任一项相同的重复的行驶数据进行剔除；(2)对时间连续、经纬度差异精确到小数点后四位相同却出现高度值明显异常的行驶数据进行中值处理；(3)对缺失的行驶数据，采取前后值做均值的方法进行插值处理；(4)对时序混乱的行驶数据进行重新排序处理。进一步的，步骤2包括以下子步骤：步骤2.1：对步骤1得到的样本行驶数据进行真实地图匹配并采用语义分割方法进行日期分段，将具有相似特征的行驶数据分为一段，并将分段后的样本行驶数据划分为训练集和测试集；步骤2.2：利用式Ⅰ建立高度预测模型：H(k|k-1)＝P(k|k-1)+Kg(k)[Y(k)-H(k|k-1)]式Ⅰ其中，H为车辆行驶的海拔高度数据，Kg(k)为卡尔曼增益，Y(k)为高度观测矩阵，H(k|k-1)为卡尔曼滤波后k时刻高度数据的最优预测值，P(k|k-1)为卡尔曼滤波后k时刻高度数据的协方差矩阵，k-1时刻为观测时刻，k时刻为预测时刻；步骤2.3：将训练集的高度观测数据输入高度预测模型，得到训练集的高度数据的最优预测值。进一步的，步骤3包括如下子步骤：步骤3.1：获取步骤2得到训练集的高度数据的最优预测值与高度观测数据，利用式Ⅱ得到二者之间的误差阈值AT，其中，n为分段得到的时间段数，SSPK为k时刻的短期停留点；步骤3.2：根据步骤3.1得到的误差阈值AT对训练集的高度数据的最优预测值进行标记，若相邻两个时刻的高度数据差大于误差阈值AT则标记为1，否则标记为0，将标记后的训练集的高度数据的最优预测值记为基准数据；步骤3.3：将步骤3.2得到的基准数据和步骤2得到的训练集的高度数据的最优预测值进行匹配，获得标高轨迹。进一步的，步骤4包括如下子步骤：步骤4.1：对步骤3获得的标高轨迹进行特征提取，所述特征为高度差与连续高度差和；步骤4.2：利用式Ⅲ建立基于马尔科夫链的重型车辆爬坡行为模型，P(D|HD)表示通过高度差来判断车辆行驶模式的概率，D表示行驶模式，D＝0表示平路，D＝1表示上坡，HD表示高度差，α和β是优化参数；步骤4.3：将步骤2获得的测试集的样本行驶数据输入重型车辆爬坡行为模型，识别出测试集中重型车辆的爬行行为。进一步的，步骤4.2中优化参数α和β的选取具体为：(1)采用高斯分布构造参数α和β的先验概率分布；(2)建立基于伯努利变量的爬行概率P(HDi)与参数α和β映射关系；(3)采用先验高斯分布N(μ,σ2)构造目标分布为P(D|HD)的马氏链，来确定状态间的转移概率,产生重型车辆爬坡行为模型的概率分布样本；(4)扩展MCMC从两个高斯分布中对α和β进行抽样，获得每个参数的样本集合，进而获得所有样本的平均值及最大似然状态，最终确定合理的参数α和β。本专利技术具有如下有益效果：(1)本专利技术采用大规模重型商用车行驶数据，通过时空特征提取与模式学习建立车辆行为模型，其中采用MCMC模型分析和选取车辆的爬坡行为特征，并扩展MetropolisHastings进行参数估计，以达到有效地辨识重型商用车的坡道行驶状态，以及准确地预测其坡道行驶状态。(2)本专利技术扩展了马尔科夫链蒙特卡洛(MarkovChainMonteCarlo，MCMC)方法对模型进行参数估计，来建立重型商用车辆的爬行行为模型；同时考虑到重型商用车辆在轨迹与行为上的特殊性、识别精度会受车辆行驶里程影响、时间复杂度以及普适性等问题，提出了通过位置传感器获得重型商用车的大规模行驶数据，针对其典型的长坡道爬行行为进行辨识和预测。在重型车辆爬行行为识别精度方面有很大的提升，可以有效本文档来自技高网...

【技术保护点】
1.基于马尔可夫链的重型车辆坡道爬行行为识别方法，其特征在于，包括如下步骤：步骤1：获取重型车辆的行驶数据，对行驶数据进行数据清洗，获得样本行驶数据，所述样本行驶数据包括位置数据、高度观测数据、车速数据与时间数据；步骤2：对步骤1得到的样本行驶数据进行真实地图匹配与日期分段，并将分段后的样本行驶数据划分为训练集和测试集，建立高度预测模型，将训练集的高度观测数据输入高度预测模型，得到训练集的高度数据的最优预测值；步骤3：获取步骤2得到训练集的高度数据的最优预测值与高度观测数据之间的误差阈值，根据误差阈值标记训练集的高度数据的最优预测值获得基准数据，将基准数据与步骤2得到的训练集的高度数据的最优预测值进行匹配，获得标高轨迹；步骤4：对步骤3获得的标高轨迹进行特征提取，建立基于马尔科夫链的重型车辆爬坡行为模型，将步骤2获得的测试集的样本行驶数据输入重型车辆爬坡行为模型，识别出测试集中重型车辆的爬行行为。

【技术特征摘要】
1.基于马尔可夫链的重型车辆坡道爬行行为识别方法，其特征在于，包括如下步骤：步骤1：获取重型车辆的行驶数据，对行驶数据进行数据清洗，获得样本行驶数据，所述样本行驶数据包括位置数据、高度观测数据、车速数据与时间数据；步骤2：对步骤1得到的样本行驶数据进行真实地图匹配与日期分段，并将分段后的样本行驶数据划分为训练集和测试集，建立高度预测模型，将训练集的高度观测数据输入高度预测模型，得到训练集的高度数据的最优预测值；步骤3：获取步骤2得到训练集的高度数据的最优预测值与高度观测数据之间的误差阈值，根据误差阈值标记训练集的高度数据的最优预测值获得基准数据，将基准数据与步骤2得到的训练集的高度数据的最优预测值进行匹配，获得标高轨迹；步骤4：对步骤3获得的标高轨迹进行特征提取，建立基于马尔科夫链的重型车辆爬坡行为模型，将步骤2获得的测试集的样本行驶数据输入重型车辆爬坡行为模型，识别出测试集中重型车辆的爬行行为。2.如权利要求1所述的基于马尔可夫链的重型车辆坡道爬行行为识别方法，其特征在于，步骤1中的数据清洗包括：(1)对于数据出发时间、接收时间以及经纬度其中任一项相同的重复的行驶数据进行剔除；(2)对时间连续、经纬度差异精确到小数点后四位相同却出现高度值明显异常的行驶数据进行中值处理；(3)对缺失的行驶数据，采取前后值做均值的方法进行插值处理；(4)对时序混乱的行驶数据进行重新排序处理。3.如权利要求1所述的基于马尔可夫链的重型车辆坡道爬行行为识别方法，其特征在于，步骤2包括以下子步骤：步骤2.1：对步骤1得到的样本行驶数据进行真实地图匹配并采用语义分割方法进行日期分段，将具有相似特征的行驶数据分为一段，并将分段后的样本行驶数据划分为训练集和测试集；步骤2.2：利用式Ⅰ建立高度预测模型：H(k|k-1)＝P(k|k-1)+Kg(k)[Y(k)-H(k|k-1)]式Ⅰ其中，H为车辆行驶的海拔高度数据，Kg(k)为卡尔曼增益，Y(k)为高度观测矩阵，H(k|k-1)为卡尔曼滤波后k时刻高度数据的最优预测值，P(k|k-1)为卡尔...

【专利技术属性】
技术研发人员：唐蕾，贾景池，马婧瑜，段宗涛，徐国强，
申请(专利权)人：长安大学，
类型：发明
国别省市：陕西,61